AotucCrawler 快速爬取图片

AotucCrawler 快速爬取图片

今天介绍一款自动化爬取图片项目。

GitHub: https://github.com/YoongiKim/AutoCrawler

Google, Naver multiprocess image web crawler (Selenium)

关键字

• 爬虫网站：Google、Naver （美、韩两大搜索引擎）
• 运行方式：Multiprocess（多进程）
• 爬取格式：image （图片）
• 基于自动化工具：Selenium （不解释）

如何使用

1. Git克隆AutoCrawler项目到本地

2. 自行安装 Chrome 浏览器

3. 安装依赖

> pip -r requirements.txt

• certifi: 包含了很多可信任知名公司的证书/公钥。
• chardet：提供自动检测字符编码的功能。
• idna: 提供"对于RFC5891中定义的IDNA协议（Internationalised Domain Names in Applications）的支持"。
• requests: 依赖于上面三个基础库，他主要用于根据图片链接下载图片。
• selenium: 用于启动浏览器，爬取图片链接。
• webdriver-manager: 用来管理selenium浏览器驱动的项目。

仔细分析别人项目，不管是源码还是依赖库都会有收获。webdriver-manager 就是我发现的一个宝藏项目，它简化的浏览器驱动的管理。

1. 打开keywords.txt文件，编写爬取的关键字。

cat
dog

1. 运行main.py 文件

> python main.py

参数说明:

--skip true：如果下载的关键字已经存在，是否跳过关键字，重新下载时需要设置。

--threads 4： 下载使用线程数量

--google true： 从google.com 下载。

--naver true: 从naver.com 下载。

--full false: 下载全分辨率图像而不是缩略图 (慢)。

--face false: Face search mode。

--no_gui auto: 使用 GUI 模式. (headless模式) 全分辨率模式可以加速, 但是缩略图模式不稳定。 默认auto模式，如果full=false 默认使用使用GUI，如果full=true默认Headless模式。（可用于docker linux系统）。

--limit 0: 设置最大图片下载范围。 (0: 无限制)

--proxy-list: 逗号分隔的代理列表，如: socks://127.0.0.1:1080, http://127.0.0.1:1081，每个线程从列表中随即选择一个。

例如：

> python main.py --threads 2 --google true  --naver false --full false --limit 50

1. 爬取的图片保存于 downloads/ 目录。

小结

1. 因为使用的是Google网站，没有梯子的同学有点郁闷。项目本身并不复杂，两个python文件加一起不到1000行代码，我们完全可以花点时间替换为国内可访问的搜索引擎。

2. 下载图片只是为了欣赏猫猫狗狗吗？当然不是，我们可用下载的图片训练 AI。